第 3 课 AI 选品分析：Web 搜索 + 代码执行

第 3 课 AI 选品分析：Web 搜索 + 代码执行

本课目标

  • 利用 Hermes 的 Web 搜索能力进行市场调研
  • 掌握代码执行工具进行数据分析的方法
  • 构建系统化的 AI 选品工作流

3.1 选品方法论：需求 · 竞争 · 利润三维分析

在 AI 时代，选品方法论的底层逻辑并没有变——你仍然需要回答三个核心问题：

  1. 需求：这个品类有没有人买？ — 搜索量、销量趋势、季节性
  2. 竞争：这个品类卷不卷？ — 头部卖家集中度、Review 门槛、品牌占比
  3. 利润：这个品类赚不赚钱？ — 售价、采购成本、FBA 费用、广告占比

变化在于效率。过去你需要在 Jungle Scout、Helium 10、Google Trends、1688 等多个工具之间来回切换，手动整理数据、对比分析。现在，你可以把整个流程交给 Hermes——用自然语言描述你的选品需求，它会自动执行搜索、采集数据、分析计算，最后输出一份结构化的选品报告。

选品分析框架

我们定义一个标准的选品分析框架，后续会将它固化为 Hermes Skill：

选品评估 = f(需求指数, 竞争指数, 利润指数)

需求指数 = 月搜索量 × 增长率 × (1 - 季节波动系数)
竞争指数 = 头部 Review 均值 × 品牌占比 × 新品存活率的倒数
利润指数 = (售价 - 采购成本 - FBA费用 - 广告成本) / 售价

每个指标 Hermes 都能通过搜索 + 代码执行来量化。

3.2 Web 搜索选品：趋势数据 + 热度分析

Hermes 的 web_search 工具可以实时搜索互联网，获取最新的市场数据。这比静态数据库（如 Jungle Scout 的月度更新）更加及时。

第一步：品类趋势发现

向 Hermes 发送以下指令（Telegram 或 CLI 均可）：

请帮我搜索 2026 年北美市场增长最快的家居品类，
重点关注 Amazon US 和 TikTok Shop 上的新兴趋势。
列出 10 个潜力品类，包括：
1. 品类名称（中英文）
2. 增长信号（社交媒体热度 / 搜索趋势 / 新闻）
3. 预估月搜索量级别（高/中/低）

Hermes 会执行多轮 Web 搜索，综合 Google Trends、TikTok 话题数据、行业报告等来源，最终输出结构化列表。

第二步：深度品类调研

选定感兴趣的品类后，进行深度调研：

请深入分析 "portable neck fan"（便携颈挂风扇）这个品类在 Amazon US 上的竞争情况：

1. 搜索 Amazon US 上这个品类的前 20 名产品
2. 记录每个产品的：价格、评分、Review 数量、卖家类型（品牌/白牌）
3. 分析价格分布区间
4. 识别前 10 名中有多少是中国卖家
5. 评估新品进入的可行性

搜索技巧

Hermes 进行 Web 搜索时，你可以用以下方式提高结果质量：

技巧 示例
指定数据来源 “请从 Google Trends 搜索…”
限定时间范围 “搜索 2025 年 Q4 至今的数据”
要求交叉验证 “请从至少两个来源交叉验证这个数据”
指定输出格式 “用 Markdown 表格输出”

💡 提示： 如果 Hermes 搜索结果不够精确，可以让它尝试不同的搜索关键词。例如：“请换用英文关键词 ‘neck fan market analysis 2026’ 重新搜索”。

3.3 代码执行分析：价格区间 · Review 统计

Web 搜索获取的是原始数据，代码执行负责将这些数据转化为可决策的洞察。

数据分析示例

假设你已经让 Hermes 搜集了品类前 20 名产品的数据。现在让它进行数据分析：

请用 Python 分析刚才搜集的 20 个产品数据：
1. 计算价格的中位数、均值、25分位和75分位
2. 绘制价格分布直方图
3. 计算 Review 数量的分布，标记"低门槛"（<200条）和"高门槛"（>1000条）的比例
4. 按评分分组（<4.0, 4.0-4.4, 4.5+），分析各组的价格差异
5. 输出竞争强度评估

Hermes 会自动编写 Python 代码，使用 pandas 和 matplotlib 进行分析：

import pandas as pd
import matplotlib.pyplot as plt

# Hermes 会自动将搜索结果转为 DataFrame
data = pd.DataFrame({
    'product': [...],
    'price': [19.99, 24.99, 15.99, ...],
    'rating': [4.5, 4.3, 4.1, ...],
    'reviews': [1523, 892, 234, ...],
    'seller_type': ['brand', 'white_label', 'brand', ...]
})

# 价格分析
print("=== 价格分析 ===")
print(f"中位数: ${data['price'].median():.2f}")
print(f"均值: ${data['price'].mean():.2f}")
print(f"25分位: ${data['price'].quantile(0.25):.2f}")
print(f"75分位: ${data['price'].quantile(0.75):.2f}")

# 竞争门槛分析
low_barrier = (data['reviews'] < 200).sum() / len(data) * 100
print(f"\n低门槛产品占比: {low_barrier:.0f}%")

你不需要自己写这段代码——你只需要用中文描述你想要的分析，Hermes 会自动完成代码编写、执行和结果解读。

利润计算

利润分析是选品的核心。让 Hermes 帮你计算：

请帮我计算一款便携颈挂风扇在 Amazon US 上销售的利润：

已知信息：
- 1688 采购价：15 元人民币（含包装）
- 国际物流费：6 元/件（海运）
- 预期零售价：$19.99
- FBA 配送费：按 Small Standard Size 计算
- 佣金比例：15%
- 预估广告 ACoS：30%

请计算：
1. 单件利润（扣除所有费用）
2. 利润率
3. 盈亏平衡的必要广告 ACoS
4. 如果售价提高 $5，利润变化多少

Hermes 会调用当前的亚马逊 FBA 费率表（通过 Web 搜索获取最新费率），结合汇率计算，输出精确的利润模型。

3.4 供应链匹配：1688 / 阿里国际站数据采集

选品不只是分析前端市场——你还需要确认能以合理成本采购到产品。

供应商搜索

请帮我在 1688 上搜索 "颈挂风扇" 的供应商：
1. 列出排名前 10 的供应商
2. 记录每家的：起订量、单价范围、发货地、年销量
3. 标记哪些支持定制 LOGO 和包装
4. 评估哪些适合 Amazon FBA 的 MOQ 要求（通常 500-1000 件起）

成本结构对比

请对比以下三种采购方案的总成本：
方案A：1688 直采，MOQ 500件，单价 12元，海运
方案B：阿里国际站，MOQ 100件，单价 $2.5，空运
方案C：1688 工厂直谈，MOQ 2000件，单价 9元，海运

对比维度：单件总成本、首批资金投入、到仓时间、质量风险

3.5 选品报告自动生成与决策辅助

到这一步，你已经有了市场数据、竞争分析、利润计算和供应链信息。现在让 Hermes 将所有信息整合为一份完整的选品报告。

生成选品报告

请基于我们刚才分析的所有数据，生成一份完整的选品分析报告。

报告格式：
1. 品类概述（一段话总结市场机会）
2. 市场需求分析表
3. 竞争格局分析表
4. 利润模型表
5. 供应链方案对比表
6. 风险清单（至少列出 5 个风险点）
7. 最终建议：Go / No-Go，并说明理由
8. 如果 Go，建议的进入策略

输出为 Markdown 格式，我要保存为文件。

Hermes 会生成类似以下结构的报告：

# 选品分析报告：便携颈挂风扇 (Portable Neck Fan)

## 1. 品类概述
便携颈挂风扇是一个...（省略具体内容示意）

## 2. 市场需求分析
| 指标 | 数据 | 评级 |
|------|------|------|
| 月搜索量 | 120,000+ | ⭐⭐⭐⭐ |
| YoY 增长 | +35% | ⭐⭐⭐⭐⭐ |
| 季节性 | 强（5-9月） | ⭐⭐ |

## 3. 竞争格局
...

## 7. 最终建议
**Go** — 建议以差异化设计（静音 + 长续航）切入 $20-25 价格带...

将报告保存为 Skill

如果你经常做选品分析，可以让 Hermes 把选品分析流程固化为 Skill：

请将我们刚才的选品分析流程保存为 Skill，
名称叫 "品类选品分析"。
下次我只需要告诉你品类名称和目标市场，
你就能自动执行完整的选品分析流程。

保存后，未来的选品分析只需一句话：

/skills 品类选品分析 — 品类：宠物智能饮水机，目标市场：Amazon US

Hermes 会自动执行完整的搜索 → 分析 → 报告流程。

3.6 选品避坑：AI 分析的局限性

尽管 AI 选品大幅提升了效率，但仍有一些局限需要注意：

Web 搜索的数据局限

  • 搜索量估计不精确： Hermes 通过 Web 搜索获取的搜索量是估计值，精度低于 Helium 10 等专业工具直接调用亚马逊 API 的数据
  • 实时性有限： 某些数据源（如行业报告）可能是数周甚至数月前的
  • 平台限制： 部分电商平台（如亚马逊）会限制爬虫访问，Hermes 可能无法直接抓取产品页面

应对策略

在做选品决策时，请注意以下原则：
1. 搜索量和销量数据仅作参考，不作为唯一决策依据
2. 重要数据请从专业工具（Helium 10/Jungle Scout）交叉验证
3. 实际下单前，务必先打样验货
4. Hermes 的报告是决策辅助，最终判断由你做出

核心观念： Hermes 帮你把 5 小时的选品分析压缩到 30 分钟，但最终的"按下确认键"应该是你。

3.7 动手练习：让 Agent 生成一份完整选品分析报告

目标： 选择一个你感兴趣的品类，让 Hermes 完成从市场调研到选品报告的全流程。

练习步骤：

  1. 向 Hermes 发送品类趋势发现指令，选出 3 个候选品类
  2. 对最感兴趣的品类进行深度调研（前 20 名产品分析）
  3. 让 Hermes 用 Python 进行数据分析（价格分布 + Review 分析）
  4. 执行利润计算（包含 FBA 费用和广告成本）
  5. 生成完整选品报告，保存为 Markdown 文件
  6. （选做）将分析流程保存为 Skill

参考指令模板：

请帮我分析 "[你选择的品类名称]" 在 Amazon [US/JP/DE] 的市场机会。

请依次完成：
1. 搜索前 20 名产品，记录价格、评分、Review 数量
2. 用 Python 分析价格分布和竞争门槛
3. 计算单件利润（采购成本 [X] 元，FBA Small/Large Standard）
4. 搜索 1688 上的供应商，对比 3 家
5. 生成完整选品分析报告

验收标准：

  • [ ] 获得至少 20 个产品的竞品数据
  • [ ] 包含价格分布和 Review 分析图表
  • [ ] 利润模型包含 FBA 费用、佣金、广告
  • [ ] 报告给出明确的 Go / No-Go 建议
  • [ ] 报告保存为 Markdown 文件

本课小结

要点 说明
选品三维模型 需求 × 竞争 × 利润 = 选品可行性
Web 搜索 + 代码执行 Hermes 的组合拳替代多个 SaaS 工具
选品 Skill 固化 将分析流程保存为可复用 Skill
AI 选品有局限 数据仅供参考，重要决策需要交叉验证

下一课，我们将利用 Hermes 的多语言能力和 Skill 系统，构建产品 Listing 的批量生成工作流。